מאמר מחקר

מיזוג סמנים ביולוגיים של אלקטרואנצפלוגרפיה (EEG) מרוב-תחומי לסיווג דמנציה מבוסס למידת מכונה

0 צפיות

⸱

DOI:

10.3791/72549

⸱

25 בספטמבר 2026

 ,  ,  ,  ,  , 
1Computer Science and Engineering (Data Science), Dayananda Sagar University, 2Computer Science and Engineering, New Horizon College of Engineering, 3School of Computer Science and Engineering (SCOPE), VIT AP University, 4Department of Computer Science and Engineering, Saveetha School of Engineering, Saveetha Institute of Medical & Technical Sciences (SIMATS), Saveetha University, 5Computer Science and Engineering (Cybersecurity), Dayananda Sagar University, 6School of Computer Science and Engineering, Presidency University, 7Electronics and Telecommunications Engineering, Ahmadu Bello University

במאמר זה

סיכום

מחקר זה בוחן סמנים ביולוגיים של אלקטרואנצפלוגרפיה (EEG) להבחנה בין מחלת אלצהיימר, דמנציה פרונטוטמפורלית וביקורות בריאות. מודלי Random Forest המשתמשים במאפייני שורש ממוצע הריבועים (root mean square), צפיפות ספקטרלית של הספק (power spectral density) ואנטרופיה, פוענחו באמצעות בינה מלאכותית ניתנת להסבר (explainable AI) וניתוח גודל אפקט. הסרת מאפייני אנטרופיה בעלי השפעה נמוכה שיפרה את ביצועי הסיווג, והובילה לדיוק של 94% במבחן.

תקציר

אלקטרואנצפלוגרפיה (EEG) נחקרה כגישה לא פולשנית לאפיון פעילות מוחית במצבים נוירודגנרטיביים. מחקר זה בחן האם סמנים ביולוגיים של EEG רב-תחומיים יכולים להבדיל בין מחלת אלצהיימר (AD), דמנציה פרונטו-טמפורלית (FTD) וביקורות בריאות (HC). מערך הנתונים הזמין לציבור הכיל הקלטות EEG ממצב מנוחה, בעיניים עצומות, של 88 משתתפים, הכוללים 36 חולי AD, 23 חולי FTD ו-29 ביקורות בריאות. סמנים ביולוגיים של EEG רב-תחומיים ומאפיינים דמוגרפיים הופקו לצורך סיווג באמצעות למידת מכונה. המאפיינים שהופקו מה-EEG כללו שורש ממוצע ריבועים (RMS), צפיפות ספקטרלית של הספק (PSD) ומדדי אנטרופיה. מסווג Random Forest אומן באמצעות סט המאפיינים המשולב ופורש באמצעות בינה מלאכותית ניתנת להסבר. ניתוחי יציבות מאפיינים וגודל אפקט של Cohen’s d בוצעו כדי להעריך את תרומת המאפיינים, ולאחריהם בוצע ניתוח אבלציה. מאפיינים מבוססי אנטרופיה הראו את התרומה הנמוכה ביותר לסיווג. המודל הרב-תחומי המלא השיג דיוק אימון של 96% ודיוק בדיקה של 92%. לאחר הסרת מאפייני האנטרופיה, דיוק הבדיקה עלה ל-94%. תוצאות אלו מתארות את ביצועי הסיווג של מאפייני ה-EEG הרב-תחומיים והמאפיינים הדמוגרפיים שנבחרו במסגרת Random Forest.

מבוא

מחלת אלצהיימר (AD) היא מצב נוירולוגי פרוגרסיבי הקשור להידרדרות בתפקוד הקוגניטיבי והמוטורי. שכיחותה עולה באופן משמעותי עם הגיל, ודמנציה היא גורם מרכזי לתחלואה ותמותה בקרב מבוגרים1,2,3,4,5. מכיוון שהאבחנה וסיווג המחלה נותרו מאתגרים, נחקר ניתוח של אותות מוחיים כאמצעי לאפיון שינויים נוירופיזיולוגיים הקשורים לדמנציה.

אלקטרואנצפלוגרפיה (EEG) היא שיטה לא פולשנית להקלטת הפעילות החשמלית של המוח, והיא נחקרה במחלת אלצהיימר ובהפרעות נוירולוגיות אחרות6,7,8,9,10,11. אותות EEG משקפים פוטנציאלים חשמליים הנוצרים כתוצאה מפעילות נוירונלית, והם מוקלטים באופן לא פולשני ממספר מיקומים על קרקפת הראש12,13,14. פעילות מוחית מאופיינת בדרך כלל באמצעות פסי תדרים של דלתא, תטא, אלפא, בטא וגמא15. מחלת אלצהיימר נקשרה להאטה ב-EEG, להפחתה במורכבות האות ולסנכרון משתנה16. ניתוחים ספקטרליים דיווחו על עלייה בפעילות דלתא ותטא לצד ירידה בפעילות אלפא ובטא בקרב אנשים עם AD בהשוואה לקבוצות ביקורת בריאות17,18,19. מחקרי סיווג EEG קודמים דיווחו על ביצועים גבוהים בהבחנה בין AD לביקורות בריאות (HC) ובין דמנציה פרונטוטמפורלית (FTD) ל-HC. לעומת זאת, הבחנה בין AD ל-FTD הייתה בדרך כלל מאתגרת יותר10,11.

שיטות של למידת מכונה שימשו לזיהוי דפוסים באותות EEG הקשורים למחלות נוירולוגיות20,21. לפיכך, חילוץ מאפיינים הוא רכיב חשוב בסיווג המבוסס על EEG. מחקרים קודמים בחנו מאפיינים ספקטרליים, זמניים, של מורכבות ושל קישוריות תפקודית בשילוב עם מודלים של למידת מכונה3,15,22,23. מאפיינים ספקטרליים רלוונטיים במיוחד מכיוון שהם מכמתים שינויים בפעילות המוח התלויים בתדר, כולל ירידה בפעילות alpha ועלייה בפעילות theta שדווחו במצב של AD23,24,25,26.

מספר מחקרים המבוססים על EEG העריכו שילובים שונים של מאפיינים, מסווגים ואסטרטגיות תיקוף. ניתוח מבוסס קישוריות (Connectivity) שימש להבחנה בין AD, FTD ו-HC, כאשר ביצועי הסיווג שדווחו השתנו בהתאם להשוואה ולפרוצדורת בחירת המאפיינים27. מאפיינים מבוססי פורייה (Fourier) הוערכו אף הם לצורך הבחנה בין AD, ליקוי קוגניטיבי קל (MCI) וביקורות בריאות, אם כי המגבלות כללו עיבוד מקדים מוגבל והסתברות להתאמת יתר (overfitting) הקשורה לאסטרטגיית התיקוף28. מדדי מורכבות לא-ליניאריים של EEG הראו פוטנציאל מבחין לסיווג AD, כאשר חלקם השיגו דיוק, רגישות וסגוליות גבוהים, אם כי יישומם עבור MCI והבחנה בין שלבי המחלה נותר מוגבל21.

שיטות למידה עמוקה המבוססות על ייצוגי זמן-תדר של EEG נחקרו גם הן עבור סיווג רב-מחלקתי של AD, MCI ו-HC29. למרות שדווח על ביצועי סיווג גבוהים, המגבלות כוללות קבוצות נחקרים קטנות או נבחרות, חוסר איזון בין המחלקות, חומרה הטרוגנית של המחלה, היעדר תיקוף חיצוני ויכולת פרשנות מופחתת של המודלים29. אסטרטגיית התיקוף היא גם שיקול מתודולוגי חשוב. גישות בלתי תלויות-משתתף הראו כי תיקוף צולב (cross-validation) קונבנציונלי ברמת האפוקה (epoch) עלול להוביל להערכת יתר של הביצועים כאשר אפוקות מאותו משתתף מופיעות הן בסט האימון והן בסט הבדיקה30. מגבלה זו רלוונטית במיוחד כאשר משווים תוצאות סיווג בין מחקרים המשתמשים בסכמות תיקוף שונות.

מדדי מורכבות וקישוריות הוערכו גם באמצעות מסווגי מכונת וקטורים תומכים (support vector machine), כאשר קישוריות מבוססת-מופע ואנטרופיה רב-קנימית הראו רמות משתנות של ביצועי הבחנה31,32. עבודות אחרות שהשתמשו במאפיינים המופקים מ-Fourier ומ-wavelet דיווחו על ביצועים משתנים בהשוואות בין AD, MCI ו-HC, כאשר סיווג רב-מחלקתי נותר בדרך כלל קשה יותר מסיווג בינארי14. גישות המבוססות על אנטרופיה וסנכרון הדגימו בנוסף הבחנה בין קבוצות AD לקבוצות ביקורת, אם כי מאפייני אוכלוסיית הביקורת עשויים להשפיע על גודל האפקט שנצפה2.

המחקר הנוכחי מעריך סט מאפיינים רב-ממדי הכולל מדדי שורש ממוצע ריבועים (RMS), צפיפות ספקטרלית של הספק (PSD) ואנטרופיה שהופקו מפסים של תדרי EEG, יחד עם הגיל כמשתנה דמוגרפי. RMS מייצג את אמפליטודת האות בתוך כל פס תדר, בעוד ש-PSD מייצג את ההספק במישור התדר. אנטרופיה נכללה כמדד למורכבות האות. מאפיינים אלו מספקים תיאורים משלימים של פעילות ה-EEG ומוערכים באמצעות מסווג Random Forest. המחקר בוחן בנוסף את חשיבות המאפיינים, יציבות המאפיינים, בינה מלאכותית ניתנת להסבר וניתוח גודל אפקט כדי להעריך את התרומה היחסית של המאפיינים שהופקו. המחקר הנוכחי בוחן את היעילות של מאפייני EEG רב-ממדיים, כולל מדדים ספקטרליים, זמניים ומבוססי מורכבות, להבחנה בין מחלת אלצהיימר (AD), דמנציה פרונטו-טמפורלית (FTD) וביקרות בריאות (HC) באמצעות למידת מכונה. כמו כן, הוא בוחן אילו מאפיינים של פסי תדרי EEG תורמים בצורה החזקה ביותר לסיווג כאשר משתמשים במדדי צפיפות ספקטרלית של הספק (PSD), שורש ממוצע ריבועים (RMS) ואנטרופיה. בנוסף, המחקר משווה בין התרומות של מאפיינים מבוססי הספק, כולל PSD ו-RMS, לבין אלו של מאפיינים מבוססי אנטרופיה, ומעריך את תרומתו של הגיל למודל הסיווג.

פרוטוקול

סקירה סכמטית של זרימת העבודה של עיבוד מקדימה של EEG, חילוץ מאפיינים וסיווג מוצגת ב- איור 1. החומרים והתוכנות ששימשו במחקר מפורטים ב- טבלת חומרים.

figure-protocol-1
איור 1: זרימת העבודה של צינור העיבוד המקדים של ה-EEG, חילוץ המאפיינים והסיווג. סקירה סכימטית של זרימת העבודה במחקר, הכוללת אימות נתוני EEG, סינון פס-מעבר (band-pass) וייחוס מחדש (re-referencing), חילוץ מאפייני שורש ממוצע הריבועים (RMS), צפיפות הספק ספקטרלית (PSD) ואנטרופיה, הוספת גיל, חלוקה למערכי אימון ובדיקה, פיתוח מודל Random Forest, ניתוח יציבות מאפיינים, ניתוח SHAP, ניתוח גודל אפקט באמצעות Cohen’s d, בחירת מאפיינים משולבת, אבלציה של מאפייני אנטרופיה, אימון מחדש של המודל והערכת ביצועים. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

1. רכישת נתונים
מערך נתוני EEG במצב מנוחה הזמין לציבור נלקח ממאגר OpenNeuro (מערך נתונים ds004504, גרסה 1.0.9)33. תוויות המשתתפים והמידע הדמוגרפי אומתו. מערך הנתונים כלל 88 משתתפים, ביניהם 36 משתתפים עם מחלת אלצהיימר (AD), 23 עם דמנציה פרונטו-טמפורלית (FTD), ו-29 ביקורות בריאות (HC).

2. ייבוא הקלטת EEG
עבור כל משתתף, הקלטת ה-EEG נטענה באמצעות ספריית MNE-Python. כל קובץ EEG נבדק כדי לוודא שהוא נגיש, ניתן לייבוא בהצלחה ומכיל מזהה משתתף תקף. הקלטות עם קבצים חסרים או פגומים הוסירו מהניתוח. תדר הדגימה המקורי של ה-EEG, שהיה 500 Hz, נשמר בשלב זה. האותות עברו דגימה מחדש (downsampled) כדי להפחית את העומס החישובי תוך שימור כל מידע ה-EEG הרלוונטי מבחינה קלינית למחקר זה.

3. סינון מעביר-פס (Band-pass filtering)
הקלטות ה-EEG הרציפות סוננו באמצעות מסנן מעביר-פס מסדר רביעי, עם תדר קיטוע נמוך של 0.5 Hz ותדר קיטוע גבוה של 40 Hz.

4. ייחוס ממוצע נפוץ (CAR) וחלוקה לתקופות (epoching)
ייחוס ממוצע נפוץ (CAR) הוחל על הקלטות ה-EEG המסוננות. בכל דגימת זמן, חושב האות הממוצע על פני כל ערוצי ה-EEG הזמינים והופחת מכל ערוץ. אותות ה-EEG המיוחסים נשמרו לצורך ניתוח המשכי. כל הקלטת EEG מיוחסת חולקה לתקופות (epochs) באורך קבוע באמצעות הפונקציה ()make_fixed_length_epochs ב-MNE-Python. נעשה שימוש במשך תקופה של 10 s ללא חפיפה (0 s overlap).

5. תיקוף תקופות (Epoch validation)
עבור כל משתתף, נשמרו רק תקופות שלמות של 10s. כל מקטע EEG שנותר שאורכו פחות מ-10 s בסוף הקלטה נפסל. כל תקופה שנשמרה שימשה לאחר מכן כדגימה בודדת להפקת מאפיינים.

6. הכנת מאפיינים
למרות שנתוני מבחן המצב המנטלי המקוצר (MMSE) היו זמינים במערך הנתונים המקורי, הם הוצאו מהניתוח הנוכחי. המאפיינים שהופקו מה-EEG מוזגו עם מידע דמוגרפי על המשתתפים, כולל גיל ותוויות אבחנתיות, שהושגו מקובץ המטא-דאטה participants.csv. מזהה המשתתף שימש כמפתח המשותף, ורק משתתפים בעלי רשומות מאפייני EEG ומידע דמוגרפי תואם נשמרו.

מטריצת תכונות רב-המישומית כללה חמישה מאפייני שורש ממוצע ריבועים (RMS) (‏delta_rms, theta_rms, alpha_rms, beta_rms, ו-gamma_rms), חמישה מאפייני צפיפות ספקטרלית של הספק (PSD) (‏delta_psd, theta_psd, alpha_psd, beta_psd, ו-gamma_psd), וחמישה מאפייני אנטרופיה (‏delta_entropy, theta_entropy, alpha_entropy, beta_entropy, ו-gamma_entropy). גיל נכלל כמשתנה דמוגרפי משלים. מכיוון שהתפלגויות הגיל עשויות להשתנות בין קבוצות אבחנה, לא ניתן היה לשלול לחלוטין השפעה של משתנים דמוגרפיים מערפליים (confounding). קבוצת האבחנה, שהוגדרה כ-AD, HC או FTD, הוקצתה כתווית המטרה.

7. עיבוד מקדימה של נתונים וחלוקה למערכי אימון ובדיקה
במהלך העיבוד המקדימה, קצב הדגימה של ההקלטות הופחת מ-500 Hz ל-250 Hz כדי להפחית את הדרישות החישוביות, תוך שמירה על מידע תדרי EEG רלוונטי.

סט הנתונים חולק לתתי-קבוצות של אימון (80%) ובדיקה (20%) ברמת הנבדק באמצעות אסטרטגיית פיצול מקובצת. תחזיות ברמת הנבדק התקבלו לאחר מכן באמצעות הצבעת רוב על פני התקופות (epochs) שנחזו עבור כל משתתף. ההערכה הראשונית השתמשה בפיצול אימון-בדיקה מקובץ ברמת הנבדק כדי למנוע מצב שבו תקופות מאותו משתתף יופיעו בשתי תתי-הקבוצות. תחזיות ברמת הנבדק התקבלו באמצעות הצבעת רוב על פני התקופות שנחזו עבור כל משתתף. סט הנתונים נסרק לאיתור ערכים חסרים, ותצפיות חסרות הוסרו או הושלמו (imputed) בהתאם לצורך. תוויות אבחון קודדו. StandardScaler הותאם לנתוני האימון ולאחר מכן הוחל הן על סט נתוני האימון והן על סט נתוני הבדיקה.

8. פיתוח מודל יער אקראי (Random forest)
סווג Random Forest אותחל באמצעות 80 עצים, עומק עץ מקסימלי של 10, מקסימום של ארבעה מאפיינים, מינימום של חמישה דגימות לכל עלה, ומצב אקראי (random state) של 42. הסווג אומן באמצעות מערך נתוני האימון הסטנדרטיים.

9. הערכת המודל
תוויות הסיווג נחזו עבור מערכי הנתונים לאימון ולבדיקה כאחד. נבנתה מטריצת בלבול, וחושבו הדיוק (accuracy), הדיוק החזוי (precision), הרגישות (recall) ומדד F1, יחד עם דוח הסיווג. רשמו את רמות הדיוק באימון ובבדיקה.

עבור ההערכה ברמת המשתתף, ודאו שכל האיפוכים (epochs) של משתתף נתון הוקצו באופן בלעדי או לתת-קבוצת האימון או לתת-קבוצת הבדיקה. מסווג ה-Random Forest אומן באמצעות אותם היפר-פרמטרים ששימשו בניתוח הראשוני.

10. תיקוף צולב (Cross-validation)
כהליך נוסף להערכת המודל, בוצע תיקוף צולב מרובד בן חמישה שלבים (five-fold stratified cross-validation) תוך שימוש ב-shuffle = True וב-random_state = 30. חושבו הדיוק הממוצע וסטיית התקן על פני חמשת השלבים. ניתוח זה נבחן בנפרד מהערכת ה-holdout הראשונית ברמת הנבדק.

11. ניתוח יציבות מאפיינים
יציבות המאפיינים הוערכה על ידי חזרה על אימון Random Forest 10 פעמים תוך שימוש בזרעים אקראיים (random seeds) מ-0 עד 9. עבור כל הרצה, נרשמו דיוק הבדיקה וציוני חשיבות המאפיינים. הממוצע וסטיית התקן של ציון חשיבות המאפיין עבור כל חוזה (predictor) חושבו על פני 10 ההרצות, והחוזים דורגו לפי מידת יציבותם. ניתוח זה שימש להערכת העקביות של דירוג המאפיינים ולא כדי להחליף את ההערכה הראשונית ברמת הנבדק.

12. ניתוח בינה מלאכותית הניתנת להסבר
הוחל SHAP TreeExplainer על מודל ה-Random Forest המאומן. ערכי SHAP חושבו כדי להעריך את תרומתה של כל תכונה לתחזיות המודל. ערך ה-SHAP המוחלט הממוצע חושב עבור כל תכונה, והתכונות דורגו על פי תרומות ה-SHAP שלהן. תכונות בעלות ערכי SHAP נמוכים באופן עקבי זוהו והושוו לתוצאות של ניתוחי יציבות התכונות ושל Cohen’s d. תכונות שהראו תרומות נמוכות באופן עקבי נבחרו להסרה (ablation) ולאימון מחדש של המודל.

13. ניתוח סטטיסטי של גודל האפקט
הערך d של כהן (Cohen’s d) חושב עבור כל סמן ביולוגי של EEG עבור AD לעומת ביקורת בריאה, אלצהיימר מול FTD, ו-FTD לעומת השוואות לקבוצת הביקורת הבריאה (HC). גדלי גודל האפקט (effect-size magnitudes) פולסו באמצעות ספי השוואה של 0.20 לאפקט קטן, 0.50 לאפקט בינוני ו-0.80 לאפקט גדול.

14. בחירת תכונות משולבת
תוצאות ניתוח חשיבות התכונות של Random Forest, ניתוח SHAP וניתוח Cohen’s d הושוו. משתנים מנבאים שהראו באופן עקבי חשיבות תכונות נמוכה, תרומת SHAP נמוכה וגודל אפקט קטן, זוהו כמועמדים להסרה.

15. השבתת מאפיינים (Feature ablation)
מאפייני האנטרופיה נבחנו בניתוח השבתה (ablation analysis) גשש, ונבנתה מטריצת מאפיינים מצומצמת הכוללת RMS, PSD וגיל. מסווג ה-Random Forest אומן מחדש תוך שימוש באותם היפר-פרמטרים. אימון המודל, הבדיקה, תיקוף הצמוד (cross-validation) וניתוח עקומה של מאפייני תגובה (ROC) חזרו על עצמם באמצעות מערך המאפיינים המצומצם.

16. ניתוח ROC
הסתברויות המחלקה הופקו ממסווג Random Forest שעבר אופטימיזציה. עקומות ROC רב-מחלקתיות נוצרו באמצעות אסטרטגיית one-versus-rest. חושבו ערכי השטח תחת העקומה (AUC) עבור כל מחלקה וכן ה-AUC הממוצע.

17. השוואת ביצועים
ביצועי מודל המאפיינים המלא הושוו לביצועי מודל המאפיינים המצומצם שהתקבל לאחר השמטת מאפייני-אנטרופיה (entropy-feature ablation).

תוצאות

מודל ה-Random Forest השיג דיוק אימון של 96% ודיוק בדיקה של 92%. ה-F1-score בממוצע מאקרו היה 92%, בעוד ה-F1-score בממוצע משוקלל היה גם הוא 92%, מה שמעיד על ביצועים דומים בשלוש המחלקות. ביצועי הסיווג היו הגבוהים ביותר עבור מחלקת מחלת האלצהיימר (AD), בעוד שמחלקת הדמנציה הפרונטו-טמפורלית (FTD) הראתה ביצועים נמוכים יותר באופן יחסי, כפי שמוצג ב-טבלה 1.

ניתוח מאפייני תגובה של מקלט (ROC) שימש להערכת הפרדה בין מחלקות על פני ספי glycolysis של סיווג. כפי שמוצג ב-איור 2, השטח תחת עקומת ה-ROC (AUC) עלה על 0.98 עבור כל שלוש המחלקות, מה שמעיד על יכולת הפרדה גבוהה בין קבוצות ה-AD, ה-FTD והביקורת הבריאה (HC).

ניתוח SHAP באמצעות TreeExplainer בוצע כדי להעריך את תרומת המשתנים למודל הסיווג של Random Forest. תרשים העמודות המסכם באיור 3 הראה את התרומה היחסית של צפיפות הספק הספקטרלי (PSD), שורש ממוצע הריבועים (RMS), אנטרופיה ומאפיינים דמוגרפיים. משתנים עם ערכי SHAP מוחלטים גבוהים יותר תרמו בצורה חזקה יותר לתחזיות המודל, בעוד שמאפיינים הקשורים לאנטרופיה הראו תרומות נמוכות יחסית.

ניתוח יציבות מאפיינים בוצע על ידי חזרה על אימון Random Forest על פני הגרעינים האקראיים שצוינו. דיוק הבדיקה וציוני חשיבות המאפיינים נרשמו עבור כל הרצה, והממוצע וסטיית התקן של חשיבות המאפיינים חושבו. המודל השיג דיוק סיווג ממוצע של 95% בניתוח זה, עם סטיית תקן של 0.17%. הרצות חוזרות אלה שימשו בעיקר להערכת העקביות של דירוג המאפיינים ונשקלו בנפרד מהערכת ה-holdout הראשונית ברמת הנבדק. הגיל דורג גבוה בניתוח יציבות המאפיינים, כפי שמוצג ב-טבלה 2. המאפיינים theta_psd ו-theta_rms דורגו אף הם גבוה, בעוד ש-alpha_psd, alpha_rms, beta_psd ו-beta_rms הראו חשיבות מאפיינים מתונה.

חושב מדד Cohen’s d כדי להעריך את גודל ההבדלים בין הקבוצות, כפי שמוצג ב- טבלה 3ני attenuation של פס האלפא (alpha_rms, d = 0.97; alpha_psd, d = 0.87) ועלייה בפעילות התטא (theta_rms, d = 0.72) הראו את ההבדלים הגדולים ביותר שדווחו בין משתתפים עם AD לבקרים בריאים. ממצאים אלו היו עקביים עם האטה קורטיקלית שדווחה במחקרי EEG על דמנציה.34מאפיינים מבוססי אנטרופיה הראו גדלי אפקט קטנים יותר באופן השוואתי. השוואות בין AD ל-FTD הניבו גדלי אפקט שהיו ברובם קטנים עד בינוניים.

מאפייני פס אלפא הראו גודלי אפקט משמעותיים עבור קבוצת ה-AD-מול-HC ו-FTD-לעומת-השוואות לקבוצות ביקורת בריאות (HC). עבור מחלה של אלצהיימר (AD) לעומת בקבוצת הביקורת הבריאה (HC), גודלי האפקט המדווחים היו 0.87- עבור alpha_psd ו-0.97- עבור alpha_rms. עבור FTD מול בקרב ביקורות בריאות (HC), הניחות של פס אלפא היה −0.73. מאפיין ה-theta_psd הראה גודל אפקט של 0.61 עבור AD מול HC, בעוד ש-theta_rms הראה גודל אפקט של 0.72. הבדלים קטנים יותר נצפו עבור AD לעומת דמנציה פרונטו-טמפורלית (FTD).

מאפייני פס בטא הראו גדלי אפקט קבוצתיים קטנים עד בינוניים בעיקר. גדלי האפקט של beta_psd היו −0.35 עבור AD לעומת HC ו- −0.41 עבור AD לעומת FTD, בעוד ש-beta_rms הראה אפקטים קטנים ברובם. מאפייני פס גמא הראו אפקטים בינוניים בחלק מההשוואות. גודל האפקט של gamma_psd היה 0.47 עבור FTD לעומת HC ו- 0.20 עבור AD לעומת HC, בעוד ש-gamma_rms הראה גודל אפקט של 0.50 עבור FTD לעומת HC.

Delta PSD ו-RMS הראו גדלי אפקט חיוביים קטנים עבור AD לעומת HC (0.29 ו-0.34, בהתאמה) ו-FTD לעומת HC (0.25 ו-0.25, בהתאמה). גדלי האפקט עבור AD לעומת FTD היו קרובים לאפס. Delta entropy הראה גדלי אפקט קטנים בכל שלושת ההשוואות (0.08, 0.20 ו-−0.11).

ניתוחי יציבות תכונות, SHAP וגודל אפקט הצביעו על תרומה נמוכה יחסית של תכונות האנטרופיה. כתוצאה מכך, בוצע ניתוח אבלציה (ablation analysis) על ידי השמטת תכונות האנטרופיה והשארת RMS, PSD וגיל. בעקבות אבלציית התכונות, מודל Random Forest השיג דיוק אימון של 96% ודיוק בדיקה של 94%. תוצאה זו פורשה כהשוואה גישושית במסגרת בחירת התכונות שהוערכה. הדיוק (Precision), הרגישות (recall), מדד F1 והתמיכה (support) עבור מחלקות AD, HC ו-FTD מוצגים בטבלה 4.

הביצועים לפני ואחרי השבתת מאפייני האנטרופיה מושווים בטבלה 5. דיוק הבדיקה עלה מ-92% ל-94% לאחר הסרת האנטרופיה. שינויים לפי מחלקה מוצגים בטבלה 6. עבור FTD, הדיוק (precision) עלה ב-4%, ומדד ה-F1-score עלה ב-2%. הרגישות (recall) עבור קבוצת ה-HC עלתה ב-4%, בעוד שהדיוק (precision) ירד ב-2%. מדדי ביצועים של ממוצע מאקרו וממוצע משוקלל עלו בכ-1%–2% בעקבות השבתת המאפיינים.

figure-results-1
איור 2עקומות מאפייני תפקודי מקלט (ROC) עבור מחלת אלצהיימר, דמנציה פרונטוטמפורלית ובקרות בריאות. עקומות מאפיין תפעולי של מקלט (ROC) רב-מעמדיות שהופקו באמצעות שיטת ה-one-מולאסטרטגיית מנוחה עבור מחלת אלצהיימר (מחלקה A), דמנציה פרונטוטמפורלית (מחלקה F) וביקורות בריאות (מחלקה C). השטח תחת העקומה (AUC) חושב עבור כל מחלקה. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-2
איור 3: ניתוח סיכום SHAP של מודל Random Forest המאומן. תרשים עמודות מסכם המראה את התרומה היחסית של מאפיינים דמוגרפיים ומאפיינים המופקים מ-EEG למודל הסיווג של Random Forest. ערכי SHAP מוחלטים ממוצעים שימשו לדירוג התרומות של מאפייני root mean square (RMS), צפיפות הספק ספקטרלית (PSD), אנטרופיה וגיל. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

דיוק (Precision)רגישות (Recall)מדד F1 (F1-Score)תמיכה (Support)
אלצהיימר0.920.950.94579
ביקורת0.930.920.93480
דמנציה פרונטו-טמפורלית0.930.870.9314
ממוצע מאקרו0.930.920.921373
ממוצע משוקלל0.930.920.921373

טבלה 1: דוח סיווג על נתוני הבדיקה. דיוק (Precision), רגישות (Recall), מדד F1 ותמיכה (support) עבור מחלקות מחלת אלצהיימר, ביקורת בריאה ודמנציה פרונטו-טמפורלית במערך נתוני הבדיקה, יחד עם מדדי ביצועים של ממוצע-מאקרו וממוצע משוקלל.

מאפייןממוצעסטיית תקן
גיל0.19660.0017
צפיפות הספק ספקטרלי של תטא (theta_psd)0.09360.0027
theta_rms0.09110.0023
alpha_psd0.08240.0022
alpha_rms0.08240.0024
צפיפות הספק ספקטרלית של בטא (beta_psd)0.06380.0013
beta_rms0.06290.0012
צפיפות ספקטרלית של הספק (PSD) גמא0.05340.001
gamma_rms0.05270.0014
דלתא_psd0.04030.0007
delta_rms0.03590.001
אנטרופיית גמא0.03260.0008
אלפא-אנטרופיה (alpha_entropy)0.03250.0006
בטא_אנטרופיה0.02830.0009
אנטרופיית תטא0.02580.0004
שינוי באנטרופיה0.02550.0005

טבלה 2: דירוג יציבות המאפיינים של מודל ה-Random Forest. ערכי חשיבות-מאפיין ממוצעים והשונות התואמת שהתקבלו מאימון חוזר של Random Forest תוך שימוש בזרעים אקראיים (random seeds) מ-0 עד 9. המאפיינים דורגו על פי יציבותם לאורך ההרצות.

מאפייןאלצהיימר לעומת בקרת איכות (HC)מחלה של אלציימר לעומת דמנציה פרונטו-טמפורליתדמנציה פרונטו-טמפורלית לעומת HC
דלתא PSD0.293-0.0690.253
צפיפות הספק ספקטרלית (PSD) של גלי תטא0.6120.230.355
Alpha PSD-0.869-0.219-0.64
Beta PSD-0.352-0.4080.201
פיזור גודל חלקיקים גמא (Gamma PSD)0.201-0.3260.468
דלתא אנטרופיה0.0810.199-0.111
אנטרופיית תטא0.2080.0330.163
אלפא אנטרופיה-0.0610.071-0.137
אנטרופיית בטא-0.37-0.042-0.332
אנטרופיית גמא-0.3380.047-0.391
דלתא RMS0.3420.0410.251
Theta RMS0.7180.3540.318
Alpha RMS-0.977-0.205-0.73
בטא RMS-0.494-0.3650.015
שורש ממוצע הריבועים של גמא (Gamma RMS)0.187-0.330.5

טבלה 3: השוואת גודל אפקט לפי Cohen’s d בין קבוצות אבחנה. ערכי Cohen’s d עבור סמנים ביולוגיים של EEG בהשוואות בין מחלת אלצהיימר לעומת קבוצת ביקורת בריאה, מחלת אלצהיימר לעומת דמנציה פרונטוטמפורלית, ודמנציה פרונטוטמפורלית לעומת קבוצת ביקורת בריאה.

דיוקהסרה (Recall)מדד F1 (F1-Score)תמיכה
אלצהיימר0.940.950.94579
בקרה0.910.960.94480
דמנציה פרונטו-טמפורלית0.970.890.92314
ממוצע מאקרו0.940.930.931373
ממוצע משוקלל0.940.940.941373

טבלה 4: דוח סיווג לאחר השמטת מאפיינים. דיוק (Precision), רגישות (Recall), מדד F1 ותמיכה (Support) עבור מחלקות מחלת האלצהיימר, ביקורת בריאה ודמנציה פרונטו-טמפורלית לאחר הסרת מאפייני האנטרופיה ואימון מחדש של מודל Random Forest.

מדדלפני אבלציהאחרי אבלציהשינוי
דיוק אימון0.960.960% שינוי
דיוק בדיקה0.920.94+2% שיפור
דיוק מאקרו (Macro Precision)0.930.94+1% שיפור
רגישות מאקרו (Macro Recall)0.920.93+1% שיפור
מדד F1 מאקרו (Macro F1-Score)0.920.93+1% שיפור
דיוק משוקלל (Weighted Precision)0.930.94+1% שיפור
רגישות משוקללת (Weighted Recall)0.920.94+2% שיפור
מדד F1 משוקלל (Weighted F1-Score)0.920.94+2% שיפור

טבלה 5: השוואת ביצועים לפני ואחרי השמטת מאפיינים (feature ablation). השוואה של מדדי ביצועי המודל עבור סט המאפיינים הרב-דומייני המלא ועבור סט המאפיינים המצומצם שהתקבל לאחר הסרת מאפייני האנטרופיה.

זמינות נתונים:
מערך הנתונים המעובד בפורמט CSV ששימש לפיתוח המודל ולניתוח מסופק כקובץ משלים 1. קוד עיבוד המקדימים זמין במחברת Python בכתובת https://colab.research.google.com/drive/1PwidMZCbbIHdthDhat5OEZa7ya6f0-aC?usp=sharing, והקוד לבניית המודל ולניתוח זמין בכתובת https://colab.research.google.com/drive/1q8wYJjQpofAqZGYxz9xHKB0emGF4YGwM?usp=sharing. ניתן להפיק מחדש את מערך הנתונים המעובד ב-CSV באמצעות קוד עיבוד המקדימים שסופק

סוגמדדלפניאחרישינוי
אלצהיימרדיוק (Precision)0.920.940.02
רגישות (Recall)0.950.95ללא שינוי
F1-score0.940.94ללא שינוי
ביקורתדיוק (Precision)0.930.91−2%
רגישות (Recall)0.920.960.04
F1-score0.930.940.01
FTDדיוק (Precision)0.930.970.04
רגישות (Recall)0.870.890.02
F1-score0.90.920.02

טבלה 6: שינויים בביצועים לפי מחלקה לפני ואחרי השבתה (ablation) של מאפיינים. שינויים בדיוק (precision), ברגישות (recall) ובמדד F1 עבור המחלקות של מחלת אלצהיימר, ביקורת בריאה ודמנציה פרונטוטמפורלית בעקבות הסרת מאפייני אנטרופיה.

קובץ משלים 1: מערך נתוני מאפייני EEG ברמת תקופה (epoch) מעובדים, ששימש לפיתוח המודל ולניתוח. אנא לחצו כאן להורדת הקובץ.

דיון

מסווג Random Forest שימש לסיווג דגימות אלקטרואנצפלוגרפיה (EEG) לקבוצות של מחלת אלצהיימר (AD), דמנציה פרונטו-טמפורלית (FTD) וביקורת בריאה (HC) באמצעות מאפיינים מרובי-מישורים, כולל צפיפות הספק ספקטרלית (PSD), שורש ממוצע הריבועים (RMS) ומדדי אנטרופיה. גיל נכלל כמשתנה דמוגרפי משלים. כיוון שהתפלגויות הגיל היו עשויות להשתנות בין הקבוצות האבחנתיות, לא ניתן היה לשלול לחלוטין השפעות דמוגרפיות מתערבות, ולכן הביצועים המדווחים שיקפו את התרומה המשותפת של מידע דמוגרפי ואלקטרופיזיולוגי. הניתוח בחן את יכולתם של מאפייני EEG מרובי-מישורים להבחין בין קבוצות ה-AD, FTD ו-HC, והעריך את תרומתם של מאפייני פס דלתא, תטא, אלפא, בטא וגמא לסיווג35. ניתוחי יציבות מאפיינים וגודל אפקט הצביעו על כך שמאפיינים מבוססי הספק, כולל PSD ו-RMS, תרמו באופן חזק יותר מאשר מאפיינים מבוססי אנטרופיה. הביומרקרים שהופקו מה-EEG שיקפו גם דפוסים הקשורים להאטה של מקצבים ולירידה בפעילות אלפא.

מחקרים קודמים העריכו מאפייני EEG המבוססים על אנטרופיה, PSD ו-RMS באמצעות גישות שונות של למידה חישובית (machine learning)2,14,27,28,36,37. אנטרופיה שימשה לאפיין את המורכבות והחוסר בסדירות של ה-EEG, בעוד ש-PSD שימש לכימות מאפיינים ספקטרליים2,14,27,28,36. גם RMS הוערך כמאפיין של פס תדרים37. בעבודה קודמת, תוך שימוש באותו סט נתונים בסיסי, הוחלה סיווג בינארי מבוסס PSD עם תיקוף מסוג leave-one-subject-out33. הניתוח הנוכחי, לעומת זאת, שילב RMS, אנטרופיה ו-PSD על פני פסי alpha, beta, gamma, theta ו-delta במסגרת של סיווג רב-מחלקות (multiclass classification). טרנספורמר EEG קל משקל הוערך על אותו סט נתונים תוך שימוש באסטרטגיית סיווג בינארי מסוג leave-one-subject-out. טרנספורמר EEG קל משקל שהוערך על אותו סט נתונים באמצעות אסטרטגיית סיווג בינארי מסוג leave-one-subject-out דיווח על דיוק של 83.28%. יש לפרש השוואה מספרית ישירה עם התוצאות הנוכחיות בזהירות, מכיוון שמשימת הסיווג ונהלי התיקוף היו שונים38.

מאפייני פס ה-Alpha הראו את גודלי האפקט הגדולים ביותר להבחנה בין AD ל-HC ובין FTD ל-HC, ופעילות theta מוגברת תרמה אף היא להבחנה בין AD ל-HC. מאפייני פס ה-Beta הראו השפעות קטנות יותר בין הקבוצות, בעוד שמאפיינים מבוססי אנטרופיה הראו תועלת מבדילה מוגבלת יחסית. מאפייני פס ה-Gamma הראו השפעות בינוניות בחלק מההשוואות, כולל FTD לעומת HC. מחקרים קודמים דיווחו על הספק alpha נמוך יותר ועל פעילות theta משתנה ב-AD ובהשוואות אבחנתיות קשורות23,25,39. אנטרופיה תוארה גם היא כביומארקר בעל פוטנציאל ייחודי במחלה נוירודגנרטיבית36, מה שמעיד על כך שתרומתה עשויה להשתנות בהתאם למערך הנתונים, להגדרת המאפיין ולגישת הניתוח.

מכונות וקטורים תומכים שימשו רבות במחקרי סיווג EEG קודמים3,21,24,37. מסווג ה-Random Forest ששימש בניתוח הנוכחי סיפק הערכות של חשיבות מאפיינים והיה רלוונטי לקבוצת המאפיינים המובנית ששימשה במחקר זה40,41. דיוקי אימון ובדיקה של 96% ו-94%, בהתאמה, התקבלו לאחר הסרה (ablation) של מאפייני אנטרופיה. הסרת מאפייני האנטרופיה הייתה קשורה לשיפור בביצועי המודל, מה שמחזק את התרומה היחסית הנמוכה שנצפתה עבור מאפיינים אלה בניתוחי היציבות, SHAP וגודל האפקט. גישות של למידה עמוקה וגישות מבוססות-טרנספורמר יושמו אף הן על סיווג EEG, אם כי גישות כאלה דורשות בדרך כלל מערכי נתונים גדולים יותר ומיועדות לייצוגים רב-ממדיים או סדרתיים27,39,42,43,44,45.

אותות EEG הם רועשים ואינם סטציונריים, ומודלים מבוססי עצי-ensemble יכולים לספק חוסן בעת ניתוח ייצוגים מובנים של מאפיינים. במחקר הנוכחי, RMS, PSD, אנטרופיה וגיל הוערכו כקלטים משלימים למודל Random Forest. RMS ייצג את אמפליטודת האות בתוך פסי תדרים, PSD ייצג את ההספק הספקטרלי, ואנטרופיה ייצגה את מורכבות האות. הממצאים הצביעו על כך ש-PSD ו-RMS תרמו באופן חזק יותר מאנטרופיה לסיווג במסגרת שנבחנה. הגיל תרם אף הוא למודל, אם כי הכללתו העלתה את האפשרות של בלבול דמוגרפי (demographic confounding). מחקרים עתידיים יוכלו להעריך משתנים דמוגרפיים נוספים וגישות חלופיות של למידת מכונה או למידה עמוקה במאגרי נתונים גדולים יותר, כדי להעריך באופן מעמיק יותר את יכולת ההכללה ואת ביצועי הסיווג.

גילויים

לא הצהרו על ניגודי אינטרסים כספיים ידועים, מערכות יחסים אישיות, קשרים פיננסיים או פעילויות אחרות שעלולות היו להשפיע על העבודה המדווחת במחקר זה.

תודות

ניתנת הכרה למסד נתוני ה-EEG הזמין לציבור ששימש במחקר זה, וכן לתרומותיהם של החוקרים שהפכו את מסד הנתונים לנגיש למטרות מחקר. לא התקבל מימון ספציפי מסוכנויות מימון ציבוריות, מסחריות או ללא מטרת רווח.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Google ColabGoogle[confirm environment]colab runtimeסביבת מחשוב מבוססת ענן המשמשת להרצת מחברות הניתוח
MNE-PythonMNE-Python project1.12.1משמש לעיבוד מקדים של EEG, ייחוס (referencing), סינון ופילוח למקטעים (epoch segmentation)
NumPyNumPy project(2.0.2)משמש לחישובים מספריים ומבוססי מערכים
OpenNeuro EEG datasetOpenNeurods004504, (1.0.9)מערך נתוני EEG במצב מנוחה הזמין לציבור ומכיל הקלטות של AD, FTD ו-HC
PythonPython Software Foundation[3.12.13 (main, Mar  4 2026, 09:23:07) [GCC 11.4.0]]סביבת תכנות המשמשת לעיבוד נתונים ופיתוח מודלים
scikit-learnscikit-learn project1.6.1משמש לעיבוד מקדים, פיצול נתונים מקובץ, סיווג באמצעות Random Forest והערכת ביצועים
SciPySciPy project(1.16.3)משמש לעיבוד אותות וחישובים סטטיסטיים
SHAPSHAP project0.52.0משמש לניתוח בינה מלאכותית ניתנת להסבר באמצעות TreeExplainer

מקורות

  1. Rodrigues PM, et al. Early prediction of Alzheimer's with the electroencephalogram. Procedia Comput Sci. 2016;100:865–71. https://doi.org/10.1016/j.procs.2016.09.236
  2. Houmani N, et al. Diagnosis of Alzheimer's disease with electroencephalography in a differential framework. PLoS One. 2018;13(3):e0193607. https://doi.org/10.1371/journal.pone.0193607
  3. Tripanpitak K, et al. Biomarkers for Alzheimer's disease and mild cognitive impairment: recent advances in task-based EEG. J Alzheimers Dis. 2025 [Epub ahead of print].
  4. Kung HC, Hoyert DL, Xu J, Murphy SL. Deaths: final data for 2005. Natl Vital Stat Rep. 2008;56(10):1-120.
  5. Falk TH, Fraga FJ, Trambaiolli L, Anghinah R. EEG amplitude modulation analysis for semi-automated diagnosis of Alzheimer's disease. EURASIP J Adv Signal Process. 2012;2012(1):192. https://doi.org/10.1186/1687-6180-2012-192
  6. Lehmann C, et al. Application and comparison of classification algorithms for recognition of Alzheimer's disease in electrical brain activity (EEG). J Neurosci Methods. 2007;161(2):342–50. https://doi.org/10.1016/j.jneumeth.2006.10.023
  7. Campanharo AS, Doescher E, Ramos FM. Automated EEG signals analysis using quantile graphs. In: Ferrández Vicente JM, Álvarez-Sánchez JR, de la Paz López F, Adeli H, editors. International Work-Conference on Artificial Neural Networks (IWANN 2017). Cham: Springer; 2017. p. 95–103. https://doi.org/10.1007/978-3-319-59147-6_9
  8. Adeli H, Ghosh-Dastidar S, Dadmehr N. Alzheimer's disease: models of computation and analysis of EEGs. Clin EEG Neurosci. 2005;36(3):131–40. https://doi.org/10.1177/155005940503600303
  9. Zheng H, Xiong X, Zhang X. Multi-threshold recurrence rate plot: a novel methodology for EEG analysis in Alzheimer's disease and frontotemporal dementia. Brain Sci. 2024;14(6):565. https://doi.org/10.3390/brainsci14060565
  10. Zheng X, et al. Diagnosis of Alzheimer's disease via resting-state EEG: integration of spectrum, complexity, and synchronisation signal features. Front Ageing Neurosci. 2023;15:1288295. https://doi.org/10.3389/fnagi.2023.1288295
  11. Abd Rahman F, Othman MF, Shaharuddin NA. Analysis methods of EEG signals: a review in EEG applications for brain disorders. J Teknol. 2015;72(2):41-6.
  12. Jackson AF, Bolger DJ. The neurophysiological bases of EEG and EEG measurement: a review for the rest of us. Psychophysiology. 2014;51(11):1061–71. https://doi.org/10.1111/psyp.12283
  13. Fouad IA, Labib FEZM. Identification of Alzheimer's disease from central lobe EEG signals utilising machine learning and a residual neural network. Biomed Signal Process Control. 2023;86:105266. https://doi.org/10.1016/j.bspc.2023.105266
  14. Fiscon G, et al. Combining EEG signal processing with supervised methods for Alzheimer's patients' classification. BMC Med Inform Decis Mak. 2018;18(1):35. https//doi.org/10.1186/s12911-018-0613-7
  15. Dauwels J, Vialatte F, Cichocki A. Diagnosis of Alzheimer's disease from EEG signals: where are we standing? Curr Alzheimer Res. 2010;7(6):487–505. https://doi.org/10.2174/156720510792231720
  16. Jelic V, Kowalski J. Evidence-based evaluation of diagnostic accuracy of resting EEG in dementia and mild cognitive impairment. Clin EEG Neurosci. 2009;40(2):129-42.
  17. Coben LA, Danziger WL, Berg L. Frequency analysis of the resting awake EEG in mild senile dementia of Alzheimer type. Electroencephalogr Clin Neurophysiol. 1983;55(4):372–80. https://doi.org/10.1016/0013-4694(83)90124-4
  18. Cibils D. Dementia and qEEG (Alzheimer's disease). Suppl Clin Neurophysiol. 2002;54:289-94.
  19. Ramírez-Arias FJ, et al. Evaluation of machine learning algorithms for the classification of EEG signals. Technologies. 2022;10(4):79. https://doi.org/10.3390/technologies10040079
  20. Hosseini MP, Hosseini A, Ahi K. A review on machine learning for EEG signal processing in bioengineering. IEEE Rev Biomed Eng. 2021;14:204–18. https://doi.org/10.1109/RBME.2020.2969915
  21. Vicchietti ML, Ramos FM, Betting LE, Campanharo AS. Computational methods of EEG signals analysis for Alzheimer's disease classification. Sci Rep. 2023;13(1):8184.
  22. Rahimi P, Noroozian M, Hatami J, Sadeghi M. Differential role of electroencephalography between mild cognitive impairment and Alzheimer disease during spatial working memory task. Iran J Neurodevelop Disord. 2025;4(1):101-10.
  23. Wang J, et al. Alzheimer's disease diagnosis using rhythmic power changes and phase differences: a low-density EEG study. Front Aging Neurosci. 2025;16:1485132. https://doi.org/10.3389/fnagi.2024.1485132
  24. Senkaya Y, Kurnaz C, Ozbilgin F. Enhancing Alzheimer's diagnosis with machine learning on EEG: a spectral feature-based comparative analysis. Diagnostics (Basel). 2025;15(17):2190. https://doi.org/10.3390/diagnostics15172190
  25. McBride JC, et al. Spectral and complexity analysis of scalp EEG characteristics for mild cognitive impairment and early Alzheimer's disease. Comput Methods Programs Biomed. 2014;114(2):153–63. https://doi.org/10.1016/j.cmpb.2014.01.019
  26. Al-Nuaimi AH, Jammeh E, Sun L, Ifeachor E. Changes in the EEG amplitude as a biomarker for early detection of Alzheimer's disease. In: 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC); 2016; Orlando, FL, USA. Piscataway: IEEE; 2016. p. 993–6. https://doi.org/10.1109/EMBC.2016.7590869
  27. Ma Y, Bland JKS, Fujinami T. Classification of Alzheimer's disease and frontotemporal dementia using electroencephalography to quantify communication between electrode pairs. Diagnostics (Basel). 2024;14(19):2189. https://doi.org/10.3390/diagnostics14192189
  28. Fiscon G, et al. Alzheimer's disease patients classification through EEG signals processing. In: 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM); 2014; Orlando, FL, USA. IEEE; 2014. p. 105–12. https://doi.org/10.1109/CIDM.2014.7008655
  29. Fouladi S, et al. Efficient deep neural networks for classification of Alzheimer’s disease and mild cognitive impairment from scalp EEG recordings. Cogn Comput. 2022;14(4):1247–68. https://doi.org/10.1007/s12559-022-10022-y
  30. Miltiadous A, et al. Alzheimer’s disease and frontotemporal dementia: A robust classification method of EEG signals and a comparison of validation methods. Diagnostics. 2021;11(8):1437. https://doi.org/10.3390/diagnostics11081437
  31. Nobukawa S, et al. Classification methods based on complexity and synchronization of electroencephalography signals in Alzheimer’s disease. Front Psychiatry. 2020;11:255. https://doi.org/10.3389/fpsyt.2020.00255
  32. Huggins CJ, et al. Deep learning of resting-state electroencephalogram signals for three-class classification of Alzheimer’s disease, mild cognitive impairment and healthy ageing. J Neural Eng. 2021;18(4):046087. https://doi.org/10.1088/1741-2552/ac1a80
  33. Miltiadous A, et al. DICE-net: a novel convolution–transformer architecture for Alzheimer detection in EEG signals. IEEE Access. 2023;11:71840–58. https://doi.org/10.1109/ACCESS.2023a.3294618
  34. Miller R. Theory of the normal waking EEG: from single neurones to waveforms in the alpha, beta and gamma frequency ranges. Int J Psychophysiol. 2007;64(1):18–23. https://doi.org/10.1016/j.ijpsycho.2006.07.009
  35. Thomas JS, Thivakaran TK. Data mining algorithms and statistical techniques for identification of schizophrenia: A survey. In: 2020 International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE); 2020; Bengaluru, India. IEEE; 2020. p. 246–51. https://doi.org/10.1109/ICSTCEE49637.2020.9276856
  36. Cacciotti A, et al. EEG entropy insights in the context of physiological aging and Alzheimer's and Parkinson's diseases: a comprehensive review. Geroscience. 2024;46(6):5537–57. https://doi.org/10.1007/s11357-024-01200-5
  37. Subhashree S, Eric PV. A unique EEG-Hyfusion fully automated stacked model for classification of Alzheimer's disease and frontotemporal dementia. J Vis Exp. 2026;(228):e69762.
  38. Miltiadous A, et al. A dataset of scalp EEG recordings of Alzheimer's disease, frontotemporal dementia and healthy subjects from routine EEG. Data (Basel). 2023;8(6):95. https://doi.org/10.3390/data8060095
  39. Malakouti SM, Menhaj MB, Suratgar AA. Enhanced epilepsy detection using discrete wavelet transform and bandpass filtering on EEG data: integration of ART-based and LVQ models. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.02.001
  40. Durga P, et al. An ensemble model for detection of Parkinson's disease by comparing numerous machine learning models and XGBoost based on vocal features. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.01.001
  41. Behnamian A, et al. A systematic approach for variable selection with random forests: achieving stable variable importance values. IEEE Geosci Remote Sens Lett. 2017;14(11):1988–92. https://doi.org/10.1109/LGRS.2017.2745049
  42. Macia G, Liddell A, Doyle V. Conversational AI with large language models to increase the uptake of clinical guidance. Clin eHealth. 2024;7:147–52. https://doi.org/10.1016/j.ceh.2024.07.001
  43. Zhao W. Research on the deep learning of small sample data based on transfer learning. AIP Conf Proc. 2017;1864(1):020018. https://doi.org/10.1063/1.4992835
  44. Hassan U, Singhal A. Convolutional neural network framework for EEG-based ADHD diagnosis in children. Health Inf Sci Syst. 2024;12(1):44. https://doi.org/10.1007/s13755-024-00303-x
  45. Jeong T, Park U, Kang SW. Novel quantitative electroencephalogram feature image adapted for deep learning: verification through classification of Alzheimer’s disease dementia. Front Neurosci. 2022;16:1033379. https://doi.org/10.3389/fnins.2022.1033379

הדפסות חוזרות והרשאות

תגיות

ביומארקרים של אלקטרואנצפלוגרפיהRandom Forestמחלת אלצהיימרדמנציה פרונטוטמפורליתצפיפות הספק ספקטרליתמדדי אנטרופיהEEG במצב מנוחהאבלציה של מאפיינים
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.